Integración de aprendizaje automático y análisis de decisión multicriterio para la gestión del riesgo sanitario en redes de distribución de agua

Por qué el agua del grifo segura requiere planificación inteligente

Cuando abres el grifo esperas agua limpia, pero bajo la calle hay un laberinto de tuberías envejecidas que pueden agrietarse, fugas y permitir la entrada de agentes patógenos. Este estudio examina cómo las herramientas de datos modernas pueden ayudar a las empresas de agua a identificar qué tuberías tienen más probabilidad de fallar, cuán peligrosas serían esas fallas para la salud y qué estrategias de reparación ofrecen la mejor protección por el dinero invertido. Ofrece una forma práctica para que las ciudades mantengan segura el agua potable mientras enfrentan presupuestos limitados e infraestructura antigua.

Tuberías con fugas y riesgos sanitarios ocultos

Las redes de distribución de agua transportan agua potable tratada desde las plantas de tratamiento hasta hogares y negocios. A medida que las tuberías envejecen desarrollan grietas y roturas que desperdician grandes cantidades de agua y generan costes de reparación. A nivel mundial se pierden cientos de millones de metros cúbicos de agua cada día y, solo en Suecia, alrededor del 15 al 20 por ciento del agua municipal potable desaparece por fugas y roturas. Estos defectos son más que una molestia: cuando la presión en las tuberías cae, agua sucia del suelo circundante o de alcantarillas cercanas puede ser aspirada, transportando gérmenes que causan enfermedades estomacales. Dado que las empresas no pueden reemplazar todas las tuberías a la vez, necesitan saber dónde es más probable que fallen y cuáles de esas fallas causarían mayor daño.

Usar datos para encontrar eslabones débiles en la red

Los investigadores trabajaron con una red real de agua en el sur de Suecia, centrando el estudio en un tramo de 13,5 kilómetros con diferentes materiales y edades de tubería. Emplearon tres tipos de modelos de aprendizaje automático para estimar la probabilidad de rotura de cada tubería: regresión logística, random forest y un método llamado XGBoost. Estos modelos analizaron características como longitud de la tubería, diámetro, antigüedad, material, tipo de suelo, presión y fallos pasados. El modelo más preciso, el random forest, identificó correctamente la mayoría de las tuberías que habían fallado en los últimos 20 años mientras raramente etiquetaba erróneamente tuberías sanas. La edad, el material y la longitud resultaron ser las pistas más sólidas sobre futuras fallas, confirmando que la información física básica sigue contando gran parte de la historia.

Rastrear cómo las roturas afectan el flujo y la presencia de gérmenes

Estimar la probabilidad de una rotura es solo la mitad del panorama de riesgo. El equipo también preguntó qué ocurriría si cada tubería realmente fallara. Para ello usaron modelos informáticos del flujo de agua para ver cómo el cierre de una tubería alteraría la presión y el suministro en la red. Las tuberías cuya falla provocaba grandes caídas de presión o dejaba desconectadas amplias zonas del sistema se marcaron como de alta consecuencia hidráulica. En paralelo, realizaron una evaluación del riesgo microbiano, simulando cómo gérmenes como Campylobacter, norovirus y Cryptosporidium podrían entrar por una rotura, desplazarse con el agua y alcanzar a los consumidores. Para cada tubería estimaron la probabilidad diaria de que una persona que bebe esa agua se infecte, señalando las tuberías en las que este riesgo superaba un objetivo de seguridad comúnmente usado.

Convertir riesgos complejos en mapas y decisiones claras

Para combinar estos elementos, los investigadores multiplicaron la probabilidad de rotura de una tubería por sus consecuencias hidráulicas y sanitarias combinadas, y luego cartografiaron los resultados en un sistema de información geográfica. Las tuberías se agruparon en categorías de riesgo bajo, medio y alto para que los ingenieros pudieran identificar rápidamente los puntos críticos. Pero saber qué tuberías son riesgosas aún deja una pregunta difícil: qué acciones deben priorizarse. Para responder, el equipo reunió a diez expertos en agua y les pidió puntuar distintas estrategias, como gestión de presión, reparación de tuberías, sustitución de tuberías, mayor detección de fugas y concienciación pública, usando criterios como coste, facilidad de ejecución, reducción del riesgo, impacto social y fiabilidad. Luego emplearon una herramienta de decisión llamada TOPSIS para clasificar las estrategias según su desempeño global frente a todos los criterios.

Qué significa esto para una agua potable más segura

El análisis mostró que la gestión de la presión en la red, seguida de reparaciones y rehabilitaciones dirigidas de tuberías, ofrecía el mejor equilibrio global entre reducción del riesgo, practicidad y coste. La sustitución completa de tuberías sigue siendo importante, pero es menos eficiente como primera medida cuando el dinero y el tiempo del personal son limitados. Al vincular aprendizaje automático, modelos de flujo y riesgo sanitario, juicio experto y mapas visuales claros, el marco ayuda a las empresas a decidir dónde actuar y qué herramientas usar. Para el público, la conclusión es sencilla: un uso más inteligente de los datos puede ayudar a mantener segura el agua del grifo al enfocar la atención y los recursos en las tuberías que más importan antes de que ocurran problemas sanitarios graves.

Cita: Sangroula, U., Viñas, V., Odhiambo, M. et al. Integrating machine learning and multi-criteria decision analysis for health risk management in water distribution networks. Sci Rep 16, 15718 (2026). https://doi.org/10.1038/s41598-026-52465-z

Palabras clave: seguridad del agua potable, tuberías de distribución de agua, aprendizaje automático, evaluación del riesgo sanitario, gestión de fugas